💡💡💡本文摘要：一种基于YOLO改进的高效且轻量级的表面缺陷检测， 在NEU-DET和GC10-DET任务中涨点明显
目录
1.轻量且高效的YOLO
1.1 SCRB介绍
1.1.1 ScConv介绍
1.2 GSConvns
1.3 od_mobilenetv2_050
1.4 对应yaml
2.实验结果
3.源码获取
1.轻量且高效的YOLO
轻量且高效的YOLO网络结构
1.1 SCRB介绍
其实ScConv和Bottleneck的基础上，和C3进行结合。
1.1.1 ScConv介绍
原文链接：Yolov8引入CVPR2023 SCConv：空间和通道重建卷积，即插即用，助力检测_scconv 2023-CSDN博客
论文：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf
卷积神经网络（CNN）已经实现在各种计算机视觉任务中表现出色，但这是以巨大的计算成本为代价的资源，部分原因是卷积层提取冗余特征。 在本文中，我们尝试利用特征之间的空间和通道冗余，针对 CNN 压缩，提出了一种高效的卷积模块，称为 SCConv（空间和通道重建卷积），以减少冗余计算，并促进代表性特征学习。 提出的 SCConv 由两个单元组成：空间重建单元（SRU）和通道重建单元（CRU）。 SRU利用分离重建方法来抑制空间冗余，而CRU使用分割-变换-融合策略来减少通道冗余。 此外，SCConv 是一个即插即用的架构单元，可以可以直接用来替代各种卷积神经网络中的标准卷积。 实验结果表明SCConv 嵌入式模型能够实现更好的效果
通过减少冗余特征来显着降低复杂性和计算成本来提高性能。
SCConv 的结构包括了空间重建单元（SRU）和通道重建单元（CRU）。 下图显示了我们的 SCConv 模块添加在 ResBlock 中的确切位置 。
SRU结构：
CRU结构：
1.2 GSConvns
YoloV8优化：轻量级Slim-Neck | 即插即用系列_slim-neck 是怎么改进-CSDN博客
论文地址：https://arxiv.org/ftp/arxiv/papers/2206/2206.02424.pdf
github: GitHub - AlanLi1997/slim-neck-by-gsconv: Pytorch implementation of the 'Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles'
本文贡献：
-
引入了一种新方法
GSConv来代替SC操作。该方法使卷积计算的输出尽可能接近SC，同时降低计算成本； -
提供了一种新的设计范式，即带有标准
Backbone的Slim-Neck设计；
图2（a）和（b）展示了深度可分离卷积（DSC ）和标准卷积（SC）的网络结构，但是深度可分离卷积这种设陷导致特征提取和融合能力比 SC 低得多。
为了使 DSC 的输出尽可能接近 SC，引入了一种新方法——GSConv，使用 shuffle 将 SC 生成的信息（密集卷积操作）渗透到 DSC 生成的信息的每个部分。
采用 GSConv 方法的 Slim-Neck 可缓解 DSC 缺陷对模型的负面影响，并充分利用深度可分离卷积 DSC 的优势。
1.3 od_mobilenetv2_050
其实就是od_mobilenetv2_050替换了backbone
1.4 对应yaml
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# 0-P1/2
# 1-P2/4
# 2-P3/8
# 3-P4/16
# 4-P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, od_mobilenetv2_050, [odconv4x mobilenetv2 050.pth.tar path, 4]], # 4[-1, 1, SPPF, [1024, 5]], # 5]# YOLOv5 v6.0 head
head:[[-1, 1, GSConvns, [512, 1, 1]], # 6[-1, 1, nn.Upsample, [None, 2, 'nearest']],# 7[[-1, 3], 1, Concat, [1]], # cat backbone P4 8[-1, 3, SCRB, [512, False]], # 9[-1, 1, GSConvns, [256, 1, 1]], # 10[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 11[[-1, 2], 1, Concat, [1]], # cat backbone P3 12[-1, 3, SCRB, [256, False]], # 13 (P3/8-small)[-1, 1, GSConvns, [256, 3, 2]], # 14[[-1, 10], 1, Concat, [1]], # cat head P4 15[-1, 3, SCRB, [512, False]], # 16 (P4/16-medium)[-1, 1, GSConvns, [512, 3, 2]], # 17[[-1, 5], 1, Concat, [1]], # cat head P5 18[-1, 3, SCRB, [1024, False]], # 19 (P5/32-large)[[13, 16, 19], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]2.实验结果
我们的方法在NEU-DET和GC10-DET上取得了更好的性能。具体指标见表一、表二。
NEU-DEU任务
GC10-DET任务
PR result plot on NEU-DET
PR result plot on GC10-DET
Visualization of detection results
3.源码获取
可私信获取
